AURA от Kyutai — модель говорящего аватара: стриминговые лица для вашего голоса
AURA (AUdio-dRiven streaming Avatar — стриминговый аватар, управляемый аудио) — семейство моделей «речь-в-видео» от Kyutai, опубликованное 2026-11-20 вместе со статьёй, кодом, весами и синтетическим датасетом из 30 000 клипов. Утверждение, которое имеет значение: один портрет плюс живой речевой поток превращаются в видео говорящей головы в реальном времени на единственном GPU — аватар следует за голосом с малой задержкой, блок за блоком, а не ждёт несколько секунд шумоподавления готового клипа. Эта страница — внешняя референция того, чем AURA является и чем не является. Последняя проверка: 2026-11-21.
Кратко
| Внешний референс | Kyutai AURA — релизный пост на kyutai.org, репозиторий GitHub (kyutai-labs/aura) и коллекция Hugging Face |
|---|---|
| Доступность на Imgo | Нет на Imgo и не генерируется из Imgo — лицензии весов запрещают коммерческое использование, так что интеграция с Imgo исключена даже технически. |
| Последняя проверка | 2026-11-21 |
| Что можно генерировать на Imgo сегодня | Живое семейство Seedance 2 рендерит клипы говорящей головы и диалоги с нативным синхронным звуком — сценарные споты, рекламу в стиле UGC, кадры ведущего — с расчётом в кредитах перед каждым запуском. |
| Официальный источник и единица тарификации | Kyutai публикует всё открыто — тарификации AURA API не существует. Веса: AURA-1.3B под CC BY-NC 4.0, AURA-5B под некоммерческой лицензией Snap. |
Делайте видео говорящей головы на Imgo сегодня: Seedance 2.0 с нативным звуком, в генераторе видео.
Что такое AURA на самом деле
Две модели, одна идея. AURA 1.3B стримит видео говорящей головы 576p в реальном времени — 20,7 кадра в секунду при воспроизведении 16 Гц на одном GPU, в 23 раза быстрее учителя, из которого она дистиллирована. AURA 5B стримит 720p на 9,7 к/с, соответствуя качеству своего учителя TalkVerse при 17-кратной скорости. Обе дистиллированы из 50-шаговых двунаправленных учителей в 4-шаговые причинные ученики, генерирующие блок за блоком со скользящим KV-кэшем и без заглядывания в аудио вперёд: нужен только звук текущего блока, чтобы его видео начало рендериться. Последнее свойство — и есть весь смысл: оно делает возможным аватар, способный вести живой разговор, а не отвечающий с пятисекундной задержкой.
Откуда берётся скорость
Релиз — не меньше исследование дистилляции, чем модель: двухступенчатый пайплайн, сначала регрессирующий причинного ученика на траекторию замороженного учителя, затем разворачивающий ученика без градиентов и согласовывающий оценки учителя и критика на собственном пути ученика. Инженерные детали — блочно-причинное внимание над блоками латентных кадров, контекст движения, целиком переносимый KV-кэшем, свои шаги диффузии на каждый блок — и есть причина, по которой это вообще стримится. Полный метод — в статье (BMVC 2026).
Лицензии, без обиняков
«Открыто» здесь не значит «без ограничений». Код несёт собственную лицензию — веса обе некоммерческие: AURA-1.3B под CC BY-NC 4.0, AURA-5B под некоммерческой лицензией Snap (её учитель происходит от TalkVerse от Snap). Для исследований, личных проектов и прототипов — нормально. Для продукта — аватара поддержки, монетизируемого компаньон-приложения — вы строите на весах, которые нельзя поставлять. Прочтите файлы лицензий в репозитории, прежде чем писать вокруг них хотя бы строчку кода.
Кому нужна AURA, а кому нет
AURA — тем, кто строит интерактивные системы: лицо для голосового ассистента (релиз демонстрирует живое управление Unmute от Kyutai), стриминговый аватар для агента, исследовательская платформа для работы с задержкой. Это не производственный инструмент для готового маркетингового видео — выводом является говорящая голова 576p/720p, настроенная быстро следовать за звуком, а не собирать трёхкадровый ролик с продуктовыми красотами. Если ваш результат — сценарный ведущий, реклама в стиле UGC или продуктовый спот с диалогом, генерационная модель с нативным звуком — правильный инструмент, и задержка перестаёт иметь значение.
Путь Imgo для контента с говорящей головой
На Imgo живое семейство Seedance 2 рендерит диалоговые клипы и клипы ведущего с нативным синхронным звуком — реплика, комната и эффекты — часть одного прохода, с контролем первого и последнего кадра для удержания вида между склейками и референсными изображениями для удержания лица. Каждый запуск показывает кредитную стоимость до отправки. Вы меняете реалтайм-разговор AURA на качество готового кадра и лицензию, разрешающую коммерческую работу, — тот обмен, который действительно нужен большинству маркетинговых и контентных команд.
Частые вопросы
AURA — open source?
Код, статья, веса и датасет из 30K клипов опубликованы открыто — но веса некоммерческие (CC BY-NC 4.0 для 1.3B, некоммерческая лицензия Snap для 5B). Открыто для изучения и прототипов — не открыто для поставки в продукте.
AURA выдерживает разговорную задержку?
Это её проектная цель: 576p в реальном времени (20,7 к/с) на одном GPU и без заглядывания в аудио вперёд. Публичное демо ведёт живой голосовой разговор.
Можно использовать AURA на Imgo?
Нет — она не интегрирована, а её некоммерческие лицензии делают интеграцию с Imgo неверным ходом. Для генерируемого сегодня видео говорящей головы живое семейство Seedance 2 рендерит диалог с нативным звуком.
В чём разница между AURA 1.3B и AURA 5B?
Масштаб и разрешение: 1.3B стримит 576p в реальном времени на одном GPU — 5B стримит 720p на 9,7 к/с с качеством на уровне большего учителя. Одна и та же причинная малошаговая архитектура — различается только компромисс скорость/разрешение.
Источники: релизный пост AURA на kyutai.org от 2026-11-20 (спецификации, пайплайн дистилляции, демо), github.com/kyutai-labs/aura (код и файлы лицензий), коллекция Hugging Face (лицензии весов, датасет) — всё проверено 2026-11-21.
Поделиться
Related Posts
No image
AURA — ответ Kyutai на говорящие аватары реального времени с открытыми весами: аудио на входе, стриминговое видео говорящей головы на выходе, на одном GPU — и некоммерческие лицензии весов, о которых надо знать до того, как на них строить. Проверено 2026-11-21.
No image
Suno Visuals — функция Suno «песня-в-видео»: клипы до 15 секунд, синхронизация с текстом, кредиты продаются отдельно. Что она покрывает, чего не может, и альтернативный процесс — режиссировать самому на живом семействе Seedance 2 в Imgo. Проверено 2026-11-21.
No image
LTX-2.5 — аудиовидеомодель Lightricks с открытыми весами: непрерывность мультишота, синхронный звук, автоматическая длительность и лицензия, разрешающая коммерческую работу. Что это значит на практике — проверено 2026-11-21, а вариант «генерировать сегодня» на Imgo — живое семейство Seedance 2.